de Wevolver Publicación anterior acerca de Arduino-Pro El ecosistema describió cómo los sensores integrados juegan un papel clave en la transformación de maquinaria y dispositivos de automatización en sistemas de producción física cibernética (CPPS). Con los sistemas CPPS, los fabricantes y los proveedores de soluciones de automatización capturan datos del taller y los utilizan para optimizar áreas como los programas de producción, el control de procesos y la gestión de la temperatura. Estas optimizaciones aprovechan el análisis de datos avanzado de Internet de las cosas (IoT) en conjuntos de datos de fabricación, razón por la cual los datos son el nuevo petróleo.

Opciones de implementación para IoT Analytics: de Cloud Analytics a TinyML

El análisis de IoT implica el procesamiento de datos estadísticos y utiliza funciones de aprendizaje automático (ML), incluidas técnicas de aprendizaje profundo (DL), es decir, ML basado en redes neuronales profundas. Muchas empresas de fabricación están implementando análisis de IoT en la nube. El análisis de Cloud IoT utiliza grandes cantidades de datos de la nube para entrenar modelos de DL precisos. La precisión es importante para muchos casos de uso industrial, como el cálculo de la vida útil restante en el mantenimiento predictivo. Sin embargo, también es posible ejecutar análisis en el borde de la red. Los análisis perimetrales se implementan en dispositivos integrados o clústeres informáticos perimetrales en la red de área local (LAN) de la planta. Son adecuados para casos de uso en tiempo real que requieren baja latencia, como la detección de defectos en tiempo real. El escaneo perimetral es más eficiente energéticamente que el escaneo en la nube. Además, ofrecen una mayor protección de datos porque los datos permanecen en la LAN.

Durante los últimos dos años, las organizaciones industriales han utilizado TinyML para ejecutar modelos ML en dispositivos con limitaciones de CPU y memoria. TinyML es más rápido, en tiempo real, más eficiente energéticamente y más amigable con la privacidad que cualquier otra forma de análisis perimetral. Por lo tanto, brinda beneficios para muchos casos de uso de la Industria 4.0.

TinyML es la forma de escaneo perimetral más rápida, en tiempo real, más eficiente en el consumo de energía y más respetuosa con la privacidad. Crédito de la imagen: Carbon Robotics.

Crear aplicaciones TinyML

El proceso de desarrollo e implementación de aplicaciones TinyML implica:

1. Obtener o producir un conjunto de datos, que se utiliza para entrenar el modelo TinyML. En este sentido, se pueden utilizar datos de sensores o registros de producción.
2. Entrena un modelo ML o DL, utilizando herramientas y bibliotecas estándar como Jupyter Notebooks y paquetes de Python como TensorFlow y NumPy. El trabajo implica pasos de análisis de datos exploratorios para comprender los datos, identificar modelos de ML apropiados y preparar los datos para entrenarlos.
3. Evaluar el rendimiento del modelo, utilizando predicciones del modelo entrenado y calculando varias métricas de error Según el rendimiento obtenido, es posible que el ingeniero de TinyML necesite mejorar el modelo y evitar el sobreajuste de los datos. Se deben probar diferentes modelos para encontrar el mejor.
4. Hacer que el modelo sea adecuado para ejecutarse en un dispositivo integrado, utilizando herramientas como TensorFlow Lite, que proporciona una biblioteca de “conversores” que convierten un modelo en un formato que ahorra espacio. TensorFlow Lite también proporciona una biblioteca de “intérprete” que ejecuta el modelo convertido mediante las operaciones más eficientes para un dispositivo determinado. En este paso, se produce un boceto de C/C++ para permitir la implementación en el dispositivo.
5. Inferencia en dispositivo y desarrollo binarioque involucra la parte de desarrollo de sistemas embebidos y C/C++ y produce una aplicación binaria para la inferencia en el dispositivo.
6. Despliegue del binario en un microcontroladorlo que permite que el microcontrolador analice los datos y obtenga información de ellos en tiempo real.

Creando un Asistente de Google usando tinyML. Crédito de la imagen: Arduino.

Aproveche AutoML para un desarrollo más rápido con Arduino Pro

Hoy en día, las herramientas de aprendizaje automático (AutoML) se utilizan para desarrollar TinyML en varias placas, incluidas las placas Arduino. Plataformas emergentes como Edge Impulse, Definir y SensiML, entre otras cosas, proporciona herramientas de AutoML y recursos para desarrolladores para el desarrollo de ML incorporado. Arduino trabaja con tales plataformas como parte de su estrategia para hacer que las tecnologías complejas sean abiertas y fáciles de usar para todos.

Dentro de estas plataformas, los usuarios recopilan datos de sensores del mundo real, entrenan modelos ML en la nube y, en última instancia, vuelven a implementar el modelo en un dispositivo Arduino. También es posible integrar modelos ML con bocetos de Arduino basados ​​en llamadas a funciones simples. Las canalizaciones de AutoML facilitan el (re)desarrollo y la (re)implementación de modelos para cumplir requisitos complejos.

La colaboración entre las plataformas Arduino y ML permite a miles de desarrolladores crear aplicaciones que integran inteligencia en dispositivos inteligentes, como aplicaciones que reconocen palabras clave habladas, gestos y animales. La implementación de aplicaciones que controlan los dispositivos IoT mediante lenguaje natural o gestos es relativamente sencilla para los desarrolladores familiarizados con las placas Arduino.

Arduino presentó recientemente su nuevo Ecosistema Arduino Pro de productos y servicios de grado industrial que respaldan el ciclo de vida completo de desarrollo, producción y operaciones, desde hardware y firmware hasta código bajo, nubes y aplicaciones móviles. El ecosistema Pro permite a miles de desarrolladores embarcarse en el desarrollo de Industria 4.0 y utilizar análisis avanzados líderes en la industria.

Grandes oportunidades en todas las escalas

El ecosistema Arduino proporciona un excelente soporte para TinyML, incluidas las placas que facilitan el desarrollo de TinyML, así como herramientas y documentación relevantes. por ejemplo, el Placa Arduino Nano 33 BLE Sense es una de las matrices más populares para TinyML. Viene con un factor de forma bien conocido y varios sensores incorporados. Estos incluyen un sensor de inercia de 9 ejes que hace que la placa sea ideal para dispositivos portátiles, así como sensores de humedad y temperatura. Como otro ejemplo, Arduino Mapa Portenta H7 incluye dos núcleos asimétricos, lo que permite ejecutar código de alto nivel, como pilas de protocolos, aprendizaje automático o incluso lenguajes interpretados (por ejemplo, MicroPython o JavaScript) simultáneamente. Además, el IDE de Arduino (Entorno de desarrollo integrado) proporciona los medios para personalizar las canalizaciones de ML integradas e implementarlas en placas Arduino.

En una palabra

Los modelos de ML e IA no siempre necesitan ejecutarse en nubes potentes y servicios informáticos de alto rendimiento asociados. También es posible ejecutar redes neuronales en pequeños dispositivos con memoria limitada, como microcontroladores, lo que abre oportunidades sin precedentes para la inteligencia generalizada. El ecosistema Arduino brinda a los desarrolladores los recursos que necesitan para aprovechar la ola de Industria 4.0 y TinyML. Las placas Arduino y el IDE reducen las barreras para miles de desarrolladores que desean participar en el análisis de IoT para la inteligencia industrial.

Lea el artículo completo en Wevolver.

Puede seguir cualquier respuesta a esta entrada a través de la fuente RSS 2.0. Puedes deja una respuestao trackback desde su propio sitio.

Contenido original en Inglés